“`html
Рекомендательные системы искусственного интеллекта
Рекомендательные системы стали мощным инструментом для персонализированных предложений, которые автоматически учитывают предпочтения пользователей к различным категориям товаров. Однако их широкое использование вызывает опасения относительно надежности и справедливости. Для решения проблемы несправедливости в рекомендациях были разработаны алгоритмы, разделенные на предварительную обработку, внутреннюю обработку и постобработку. Большинство исследований сосредоточены на техниках внутренней обработки, особенно в области потребительской несправедливости.
Практические решения и ценность
Мы предлагаем подход, который значительно расширяет оценку по сравнению с предыдущими исследованиями, заменив Last.FM-1K на Last.FM1M (LF1M) и расширив экспериментальную оценку на наборы данных из различных областей, таких как MovieLens1M (ML1M) для фильмов, RentTheRunway (RENT) для моды и Foursquare для точек интереса в Нью-Йорке (FNYC) и Токио (FTKY). Консистентные предварительные шаги обработки применяются ко всем наборам данных. Результаты показывают, что техники уменьшения несправедливости имеют различное влияние на различные модели и наборы данных. Например, SGL на наборе данных ML1M достиг оптимального уменьшения несправедливости с увеличением общего NDCG, что указывает на эффективное улучшение для недостаточно обеспеченной группы. Модели высокой производительности, такие как HMLET, LightGCN и т. д., продемонстрировали последовательное улучшение справедливости на наборах данных LF1M и ML1M. Различные политики выборки проявили разную эффективность, с IP и FR, показавшими сильную производительность в уменьшении несправедливости, особенно на наборах данных LF1M и ML1M. Также были замечены улучшения на наборах данных RENT и FTKY, но общий эффект был минимальным и непоследовательным.
Заключение
В данной статье исследователи представили подробный подход для преодоления ограничений предыдущих методов обработки несправедливости в графовом совместном фильтровании. Они предложили теоретическую формализацию политик выборки и интеграции расширенного графа в GNN. Был проведен обширный бенчмарк для решения проблемы потребительской несправедливости по возрасту и гендеру, путем расширения набора политик выборки для включения времени взаимодействия и традиционных свойств графа. Кроме того, был представлен FA4GCF (Fair Augmentation for Graph Collaborative Filtering), универсальный общедоступный инструмент, построенный на Recbole, который адаптируется к различным GNN, наборам данных, чувствительным атрибутам и политикам выборки.
“`
